Co rozwiązuje RAG (odcięcie wiedzy, halucynacje)
RAG pobiera odpowiedni kontekst w momencie zapytania, dzięki czemu LLM może cytować rzeczywiste źródła zamiast wymyślać fakty.
Co rozwiązuje RAG (odcięcie wiedzy, halucynacje) to bezpłatna lekcja AI Agents na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej AI Agents, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs AI Agents zawiera 4 lekcji w sumie.
Dwa problemy zwykłych LLM-ów
Nawet najlepsze LLM-y mają dwa podstawowe problemy:
- Granica wiedzy — znają tylko informacje obecne w danych treningowych. Jeśli zapytasz GPT-4 o wydarzenie z wczoraj, nic o nim nie będzie wiedział.
- Halucynacje — gdy model czegoś nie wie, z przekonaniem wymyśla informacje.
Na czym polega RAG
Retrieval-Augmented Generation (RAG) oznacza:
- Wyszukanie odpowiednich fragmentów w bazie wiedzy
- Umieszczenie tych fragmentów w promptcie
- Poproszenie LLM-a o odpowiedź z wykorzystaniem WYŁĄCZNIE tych fragmentów
Model staje się „czytelnikiem” zewnętrznej wiedzy, zamiast polegać na niezmiennych wagach.
Konkretny przykład
Użytkownik: „Jaka jest nasza polityka zwrotów dotycząca otwartego sprzętu elektronicznego?”
- Wyszukaj w firmowej bazie wiedzy „polityka zwrotów sprzętu elektronicznego” — uzyskaj 3 akapity z dokumentacji pomocy
- Zbuduj prompt: „Korzystając z poniższego kontekstu, odpowiedz: ...”
- Model wygeneruje rzetelną odpowiedź z cytowaniami
Dlaczego RAG jest lepszy od dostrajania
W przypadku wiedzy faktograficznej RAG > dostrajanie, ponieważ:
- Można aktualizować bazę wiedzy bez ponownego trenowania
- Dane poszczególnych użytkowników i dzierżawców można łatwo rozdzielić
- Możliwe są cytowania (wiadomo, KTÓRY fragment wygenerował odpowiedź)
- Utrzymanie jest tańsze
Dlaczego RAG ogranicza halucynacje
Jeśli model otrzyma instrukcję, aby odpowiadać WYŁĄCZNIE na podstawie dostarczonego kontekstu, a kontekst zawiera prawdziwe informacje, znacznie częściej udzieli poprawnej odpowiedzi, niż gdy polega na własnej pamięci.
Nie jest to rozwiązanie idealne — modele nadal czasami coś wymyślają — ale liczba halucynacji wyraźnie spada.
Trzy etapy
Każdy system RAG składa się z trzech etapów:
- Ingestia (offline) — podział dokumentów na fragmenty, utworzenie osadzeń i zapisanie ich
- Wyszukiwanie (online) — utworzenie osadzenia zapytania i znalezienie fragmentów top-K
- Generowanie (online) — LLM tworzy odpowiedź na podstawie znalezionych fragmentów
Naiwny RAG a zaawansowany RAG
Naiwny RAG (prototyp w 5 wierszach):
- Podział na fragmenty o stałym rozmiarze
- Wyszukiwanie z użyciem pojedynczego wektora
- Umieszczenie top-K w promptcie
Zaawansowany RAG dodaje ponowne sortowanie, przepisywanie zapytań, HyDE, wiele wektorów i ewaluację — każde z tych rozwiązań poprawia jakość, ale zwiększa też złożoność.
Kiedy RAG pomaga
- Firmowe bazy wiedzy i dokumentacja
- Obsługa klienta na podstawie instrukcji produktu
- Faktograficzne pytania i odpowiedzi dotyczące rzadkich tematów
- Asystenci korzystający z danych użytkownika
Kiedy RAG szkodzi
- Prosta rozmowa towarzyska (nie są potrzebne żadne fakty)
- Zadania wymagające rozumowania, a nie faktów
- Gdy korpus jest na tyle mały, że i tak mieści się w kontekście
Szablon promptu
Typowy prompt RAG wygląda tak:
prompt = f'''
Answer the user\'s question using ONLY the context below.
If the answer is not in the context, say 'I do not know'.
Context:
{retrieved_chunks}
Question:
{user_question}
Answer:
'''Cytowania
Sformatuj fragmenty, dodając identyfikatory źródeł, i poproś model o ich cytowanie:
context = '\n'.join(
f'[doc {i+1}] {chunk.text}'
for i, chunk in enumerate(chunks)
)
# Then ask: 'Cite the relevant [doc N] for each claim.'Cel RAG
Jaki problem przede wszystkim rozwiązuje RAG?
Podsumowanie
RAG zmienia LLM-y w osoby rozwiązujące test z otwartą książką. Następnie: jak faktycznie dzielić dokumenty na fragmenty do wyszukiwania.
Często zadawane pytania
Czy lekcja „Co rozwiązuje RAG (odcięcie wiedzy, halucynacje)” jest bezpłatna?
Tak — pełny tekst „Co rozwiązuje RAG (odcięcie wiedzy, halucynacje)” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu AI Agents, przejdź na CoddyKit PRO. Kurs AI Agents zawiera 4 lekcji w sumie.
Co nauczysz się w „Co rozwiązuje RAG (odcięcie wiedzy, halucynacje)”?
RAG pobiera odpowiedni kontekst w momencie zapytania, dzięki czemu LLM może cytować rzeczywiste źródła zamiast wymyślać fakty. Ćwiczysz AI Agents z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć AI Agents?
Nie wymagamy żadnego doświadczenia. AI Agents w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.
Ile czasu zajmuje lekcja „Co rozwiązuje RAG (odcięcie wiedzy, halucynacje)”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji AI Agents?
Tak. Każda lekcja AI Agents zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Co rozwiązuje RAG (odcięcie wiedzy, halucynacje)
- Strategie dzielenia na fragmenty (stałe, zdaniowe, semantyczne)
- Indeksowanie zbioru dokumentów
- Budowanie prostego RAG z FAISS lub Chroma